3、IMU测量模型与噪声：加速度计与陀螺仪模型、Allan方差分析、IMU噪声特性、零偏与随机游走

好，咱们今天来聊聊IMU的“脾气”。说白了，IMU就是两个传感器：一个加速度计，一个陀螺仪。它们测量的是啥？加速度计测的是比力，陀螺仪测的是角速度。但问题是，它们测出来的数据，从来都不是“干净”的。

我刚开始做VIO的时候，拿到IMU数据直接往优化里塞，结果轨迹飞得跟喝醉了似的。后来才明白，不把IMU的噪声模型搞清楚，后面全是白搭。今天这一讲，咱们就把IMU的“底细”摸清楚。

3.1 加速度计与陀螺仪的测量模型

先看公式。加速度计的测量模型长这样：

a_m = R^T * (a - g) + b_a + n_a

陀螺仪的测量模型：

ω_m = ω + b_g + n_g

这里面的符号，我一个个解释：

• a_m 和 ω_m：传感器读出来的原始值，也就是你从IMU驱动里拿到的数据。
• a 和 ω：真实的加速度和角速度。注意，这个真实值我们永远不知道，只能估计。
• R：从世界坐标系到IMU坐标系的旋转矩阵。加速度计测的是比力，所以要把重力加速度g给减掉。
• b_a 和 b_g：零偏（Bias）。这是IMU最让人头疼的东西，后面细说。
• n_a 和 n_g：白噪声。可以理解为测量值上的随机抖动。

嗯，这里要注意一点：加速度计测的是“比力”，不是“加速度”。比力 = 加速度 - 重力。所以当IMU静止放在桌上时，加速度计读出来的是重力加速度的反方向，也就是(0, 0, -9.8)左右。我第一次测的时候还以为是传感器坏了，后来才反应过来。

3.2 IMU噪声特性：白噪声与零偏

IMU的噪声，主要分两类：

1. 白噪声（White Noise）：高频随机抖动。说白了就是每次测量都带一点随机误差，但均值是零。这个好处理，一般用滤波器就能压下去。
2. 零偏（Bias）：低频漂移。这个才是大麻烦。零偏不是固定的，它会随着时间、温度、甚至IMU的运动状态慢慢变化。

为什么会这样？因为IMU的物理结构决定了它不可能完美。MEMS加速度计里的微机械结构，受温度影响会热胀冷缩；陀螺仪的谐振频率也会随温度漂移。所以零偏是IMU天生的“原罪”。

在VIO初始化中，零偏的估计至关重要。如果零偏没估准，积分出来的位置和姿态会越偏越远。你想想看，一个0.01 rad/s的陀螺零偏，积分10秒就是0.1 rad的误差，这已经够让视觉匹配对不上了。

3.3 Allan方差分析：IMU噪声的“体检报告”

怎么定量分析IMU的噪声特性？Allan方差是工业界最常用的方法。说白了，它就是把IMU的静态数据，按不同的时间窗口做平均，然后看方差的变化规律。

Allan方差曲线长这样：

σ²(τ) = (1/2) * E[(y(t+τ) - y(t))²]

其中τ是时间窗口长度。画出来是一条双对数曲线，不同斜率对应不同的噪声源：

我个人习惯，拿到一个新IMU后，第一件事就是做Allan方差分析。把IMU静止放置至少1小时，采集数据，然后画Allan方差曲线。从曲线上可以读出三个关键参数：

• 角度随机游走（ARW）：陀螺仪白噪声的强度，单位 °/√h
• 速度随机游走（VRW）：加速度计白噪声的强度，单位 m/s/√h
• 零偏不稳定性（Bias Instability）：零偏长期漂移的RMS值

3.4 零偏与随机游走：IMU的“慢性病”

零偏和随机游走，其实是同一个问题的不同侧面。零偏是“当前值”，随机游走是“变化率”。

在VIO中，我们通常把零偏建模为一个随机游走过程：

ḃ = n_b

也就是说，零偏的变化率是一个白噪声。这个白噪声的强度，就是Allan方差曲线上读出来的“速率随机游走”系数。

为什么这么建模？因为零偏的变化是随机的、不可预测的。我们没法用一个确定性的模型去描述它，只能用随机过程去近似。在VIO的优化框架里，零偏会被当作一个状态变量，和位姿一起优化。

嗯，这里有个关键点：零偏的随机游走模型，决定了我们在优化中给零偏加多大的“先验约束”。如果随机游走系数很大，说明零偏变化很快，我们就得给零偏更大的自由度；反之，如果随机游走系数很小，说明零偏很稳定，我们就可以用更强的先验把它约束住。

3.5 知识体系总览

为了让你更直观地理解这一章的知识结构，我画了一张图：

这张图把这一章的核心逻辑串起来了。左边是IMU的测量模型，右边是Allan方差分析，底部是零偏的随机游走模型。你仔细看，其实所有内容都围绕着“如何描述和量化IMU的噪声”这个核心问题。

好了，这一章就到这里。IMU的噪声模型是VIO的基石，后面所有的初始化方法，都建立在对这些噪声的正确理解之上。下一章我们会聊IMU预积分，到时候你会看到，这些噪声参数是怎么具体影响积分结果的。

公众号:蓝海资料掘金营，微信deep3321